Variable与命名空间scope

参考文档： http://www.cnblogs.com/studyDetail/p/6576017.html

---

1. 变量声明方式：

tensorflow中有两种声明变量的方式，tf.get_variable()和 `tf.Variable()

• tf.Variable用于创建一个新变量，在同一个name_scope下面，可以创建相同名字的变量，底层实现会自动引入别名机制，两次调用产生了其实是两个不同的变量。

• tf.get_variable用于获取一个变量，并且不受name_scope的约束。当这个变量已经存在时，则自动获取；如果不存在，则自动创建一个变量。

variable_scope情况下如果没有将shape=[1]传入，则会报错。

name_scope默认

image.png

image.png

生成一个2*3的矩阵，矩阵中的元素均值是0，标准差为2的随机数。

weights = tf.Variable(tf.random_normal([2,3],seed=1,mean=4,stddev=2))
# mean 平均数，stddev是方差，random_normal生成随机矩阵

with tf.Session() as sess:
    #不要忘记了初始化
    sess.run(tf.initialize_all_variables())
    print(sess.run(weights))

生成常数：

weights=tf.ones([2,3])
weights=tf.zeros([2,3])

image.png

生成给定数字的数组：

tf.fill([2,3],9)

image.png

想单独初始化向量可以：

sess.run(weights.initializer)

打印所有变量：tf.global_variables

image.png

---

2. 变量作用域：

name_scope对于tf.get_variable()无效，只在tf.Variable()中起作用

name_scope 作用于操作，variable_scope 可以通过设置reuse 标志以及初始化方式来影响域下的变量。

with tf.variable_scope("variable的作用域，不申明就是空",reuse=True):
     print(sess.run(tf.get_variable("v")))

image.png

---

1. name_scope()

使用tf.Variable()这种方式创建变量时，首先会检查是否有此时要创建的变量name，如果存在则自动分配一个不同的变量name。

name_scope模式不利于共享变量。

image.png

2. variable_scope()

variable_scope对于tf.get_variable()和tf.Variable()都起作用

要共享变量，需要使用tf.variable_scope()

image.png